基于改进型D3QN深度强化学习的铁路智能选线方法

传统的人工选线方法劳动强度大,设计效率低,随着我国铁路建设重心向西部复杂艰险山区转移,人工选线面临的困难日趋凸显。为缩减铁路选线的人力物力成本,提高设计效率,亟需发展结合了人工智能和信息技术的现代选线技术。为此,提出一种基于深度强化学习理论的铁路智能选线方法。以带有空间属性信息的数字高程模型为选线环境,以相邻空间点间的建造费用为即时奖励,以工程建造费用最小为优化目标,设置离散化的备选动作,考虑多种约束条件,构建面向铁路选线的深度强化学习模型。结合深度学习的感知能力和强化学习的决策能力,利用双竞争深度Q学习网络(DuelingDouble-Deep Q Network,D3QN)对模型进行训练,既克服强化学习问题对复杂状态和动作空间难以收敛的缺点,同时解决了传统DQN算法易于出现过估计、训练不稳定的问题,实现自动对选线环境进行感知、搜索、判断、决策,最终寻得目标函数最优的线路方案。以某山区铁路对本方法进行验证,实验结果表明：该方法能搜索到多样化的线路备选方案,可以为设计人员提供新的设计思路;有效降低了铁路建设的经济费用,较人工选线方案节约最多达17.5%。智能选线方法可以帮助节省选线工作...     

巡航模式下地铁纵断面节能坡优化研究

地铁列车运行常采用巡航模式来保证运营的安全、舒适和准点,而人工纵断面线形设计较难契合列车的巡航状态、不适应设计条件的多变,无法做到有效节能。以变坡点里程和高程为变量,以列车双向运行牵引能耗为目标建立纵断面线形节能优化模型,采用差分进化算法进行模型求解。优化策略包括初始方案搜索和整正两个阶段,初始方案搜索阶段依据区间长度假定适当多的变坡点进行优化,方案整正阶段将删除初始方案上坡度代数差极小的变坡点得到优化方案。优化结果表明：巡航模式下,节能坡坡度值越大,中间坡度越缓,列车双向能耗越小。灵敏性分析表明：惰行距离较长时,宜设置较长的节能坡;车站高差增大时,宜缩小低位车站节能坡的长度和坡度值,增长高位车站节能坡的长度。     

200km/h中速磁浮最小竖曲线半径取值研究

中车集团已推出新一代200 km/h级新型中速磁浮列车,但相应的线路技术标准未做系统性研究。本文利用SIMPACK软件建立车-线动力学模型,依据列车运行的舒适性、安全性评价指标,兼顾静力学计算结果,确定中速磁浮最小竖曲线半径,结果表明：(1)垂向加速度最大允许值决定最小竖曲线半径取值,且仿真分析结果较静力学计算结果大;(2)推荐凹型竖曲线最小半径在一般情况下取5 000 m,困难情况下取4 000 m;(3)凸型竖曲线最小半径一般情况下取12 000 m,困难情况下取9 000 m。